阈值分割基于阈值的图像分割方法有哪些

MATLAB采用基本的全局阈值化的方法，实现对图像的阈值分割。,不用工具箱,,急!!!!

一种能基于图像数据自动地选择阈值的算法： (1)选择全局阈值的初始估计值T和参数△T。

参数△T用于控制迭代次数. (2) 用T分割图像。

这会产生两组像素：G1由所有灰度值大于T的像素组成，G2由所有灰度值小于等于T的像素组成。

(3) 分别计算G1、G2区域内的平均灰度值m1和m2。

(4) 计算出新的阈值： T=(m1+m2)/2 (5) 重复步骤(2)～(4)，直到在连续的重复中，T的差异比预先设定的参数△T小为止。

(6) 使用函数im2bw分割图像： g = im2bw(f, T/den) den是整数(8比特图像为255)

如何用opencv实现图像阈值化分割

颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。

它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。

颜色直方图特别适于描述那些难以进行自动分割的图像。

OpenCV对颜色直方图进行统计的代码如下所示，在图像检索，镜头分割等领域使用的还是比较多的。

#include <cv.h> #include <highgui.h> #include <iostream> using namespace std; int main( int argc, char** argv ) { IplImage * src= cvLoadImage("F:\test3.jpg"); IplImage* hsv = cvCreateImage( cvGetSize(src), 8, 3 ); IplImage* h_plane = cvCreateImage( cvGetSize(src), 8, 1 ); IplImage* s_plane = cvCreateImage( cvGetSize(src), 8, 1 ); IplImage* v_plane = cvCreateImage( cvGetSize(src), 8, 1 ); IplImage* planes[] = { h_plane, s_plane }; /** H 分量划分为16个等级，S分量划分为8个等级 */ int h_bins = 16, s_bins = 8; int hist_size[] = {h_bins, s_bins}; /** H 分量的变化范围 */ float h_ranges[] = { 0, 180 }; /** S 分量的变化范围*/ float s_ranges[] = { 0, 255 }; float* ranges[] = { h_ranges, s_ranges }; /** 输入图像转换到HSV颜色空间 */ cvCvtColor( src, hsv, CV_BGR2HSV ); cvCvtPixToPlane( hsv, h_plane, s_plane, v_plane, 0 ); /** 创建直方图，二维, 每个维度上均分 */ CvHistogram * hist = cvCreateHist( 2, hist_size, CV_HIST_ARRAY, ranges, 1 ); /** 根据H,S两个平面数据统计直方图 */ cvCalcHist( planes, hist, 0, 0 ); /** 获取直方图统计的最大值，用于动态显示直方图 */ float max_value; cvGetMinMaxHistValue( hist, 0, &max_value, 0, 0 ); /** 设置直方图显示图像 */ int height = 240; int width = (h_bins*s_bins*6); IplImage* hist_img = cvCreateImage( cvSize(width,height), 8, 3 ); cvZero( hist_img ); /** 用来进行HSV到RGB颜色转换的临时单位图像 */ IplImage * hsv_color = cvCreateImage(cvSize(1,1),8,3); IplImage * rgb_color = cvCreateImage(cvSize(1,1),8,3); int bin_w = width / (h_bins * s_bins); for(int h = 0; h < h_bins; h++) { for(int s = 0; s < s_bins; s++) { int i = h*s_bins + s; /** 获得直方图中的统计次数，计算显示在图像中的高度 */ float bin_val = cvQueryHistValue_2D( hist, h, s ); int intensity = cvRound(bin_val*height/max_value); /** 获得当前直方图代表的颜色，转换成RGB用于绘制 */ cvSet2D(hsv_color,0,0,cvScalar(h*180.f / h_bins,s*255.f/s_bins,255,0)); cvCvtColor(hsv_color,rgb_color,CV_HSV2BGR); CvScalar color = cvGet2D(rgb_color,0,0); cvRectangle( hist_img, cvPoint(i*bin_w,height), cvPoint((i+1)*bin_w,height - intensity), color, -1, 8, 0 ); } } cvNamedWindow( "Source", 1 ); cvShowImage( "Source", src ); cvNamedWindow( "H-S Histogram", 1 ); cvShowImage( "H-S Histogram", hist_img ); cvWaitKey(0); }

阈值的判定方法有哪些，图像处理方面的

阈值选择 的恰当与否对分割的效果起着决定性的作用。

图像的分割方法主要包括幅度分割方法、最小错误分割法、迭代法求图像最佳分割阈值法、最大类间方差 法（大津算法）等一系列方法。

具体算法你可以再详细查

怎么对图像的局部进行阈值分割

阈值计算 由公式 Gray = 0.3*R + 0.59*G + 0.11*B 计算亮度 R: 红色分量, G: 绿色分量, B: 蓝色分量 阈值参数 t 亮度 >= t 的点 设为白色, 亮度 < t 的点 设为黑色 if Gray >= t then CNew = White if Gray < t then CNew = Black

数字图像处理：阈值分割与边缘检测之间的关系？？

1 阈值分割是为了突出图像中我们感兴趣的部分的方法，通过二值化（或多值化）以后目标物体会以特定的灰度值呈现出来，主要侧重在物体本来就已经有灰度特征，使用阈值分割将其表现出来。

边缘检测是为了找出物体边缘的方法，主要侧重的是通过算法体现边缘的灰度特征。

2 二值阈值分割的重点在于找二值化的阈值，然后利用阈值将目标和背景分离。

大多数边缘检测的重点在于确定差分算子，进行邻域内的灰度差分。

3 一般的处理过程为先边缘检测得到差分的灰度图，然后使用阈值分割二值化。

4 平时我们说的这两个概念都比较模糊；属于有交集的那种。

如果边缘的灰度本来就突出不需要算法处理就可以直接二值化体现，那阈值分割就可以算是边缘检测的方法了。

如果边缘不突出需要先利用差分算子或其他方法突出边缘，那阈值分割只是体现边缘的手段。

基于阈值的图像分割方法有哪些

去百度文库，查看完整内容> 内容来自用户:天使小白很黑 第1章相关知识 1.1图像分割的概述 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景>，他们一般对应图像中特定的、具有独特性质的区域。

为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。

图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。

这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。

现有的图像分割算法有：阈值分割、边缘检测和区域提取法。

本文着重研究基于阈值法的图像分割技术。

所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。

简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。

图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。

同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。

阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。

已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目